新加坡如何战胜人工智能时代的年龄偏见，为长寿时代重新设计工作

Claer Barrett 近日在《金融时报》撰文称，年龄歧视是对退休保障“无声但致命的威胁”。在新加坡，这一观点恰逢一个关键时刻。

我国近40%的居民劳动人口年龄已在50岁及以上。低生育率意味着后续进入职场的年轻员工越来越少。与此同时，人工智能 (Artificial Intelligence) 正在重塑企业发现、评估和部署人才的方式。

然而，由人工智能驱动的招聘系统在人力资源经理介入之前，就有可能在筛选候选人 (Candidate) 的各个环节中，扩大过往的招聘偏见。

人口长寿和算法决策这两股力量，并不仅仅是创造了一个需要修补的问题。

它们提供了一个难得的机会：让我们不再将潜在的年龄偏见视为一个孤立的症状，而是为人工智能时代重建我们定义人才、就业以及工作本质的基础。

那些导致算法年龄偏见在别处出现的相同条件，也开始在我国的劳动力市场中显现。新加坡已多次证明，它能将结构性压力转化为竞争优势。这又是一个这样的时刻。

当算法编码了过时的假设

从求职者追踪系统到大型语言模型，现代招聘工具利用从历史数据中学习到的模式来筛选候选人 (Candidate)。它们会考量毕业年份、工作经验长短、职业发展轨迹，甚至语言风格。这些替代性指标往往与年龄相关。

其结果可能是一个无声的过滤器，在人类看到简历之前，就将能力出众的年长申请者排在年轻申请者之后。

早期的警告信号已经显现。在美国备受瞩目的诉讼，包括正在进行的集体诉讼，都指控广泛使用的算法筛选工具对40岁及以上的申请者不利。

同样基于历史数据的训练方法也正在我国市场中运作。我们以前在性别和种族方面也见过算法偏见的放大效应。年龄问题的独特之处在于其规模。

随着早期X世代和晚期婴儿潮一代步入五六十岁，经验丰富的人才库比以往任何时候都更加庞大。

然而，职位描述中却经常出现“敏捷”、“数字原生代”或“快节奏”等词语——无论是否有意，这些软性替代指标都可能成为隐性的年龄过滤器，。

更深层次设计选择的表象

一些普遍的平均差异假设是存在的，例如认为年轻员工在某些特定岗位上可能更快地适应某些高速运转的工具。

当这类概括性假设被植入训练数据时，即使没有明确的年龄标准，它们也会影响模型对候选人 (Candidate) 的评分方式。

这在两个层面上带来了挑战。

首先，它惩罚了许多例外情况：那些拥有深厚领域专业知识、更佳判断力、更强人脉网络和已证实韧性的年长专业人士。其次，它会形成自我强化的循环：机会减少导致技能差距，而这种差距反过来又似乎为进一步的偏见提供了理由。

最近的人力部数据揭示了这种风险。在2026年第一季度，50至59岁居民的裁员率为每1000名员工中有3.1人，是所有年龄组中最高的。

由于重组集中在专业和知识密集型行业，大学学位持有者的裁员率也达到了同样水平，在所有教育水平中也是最高的。

这两者的重叠颇具启发性：许多受影响者正是那些在日益依赖自动化筛选的白领岗位通道中发展的经验丰富的专业人士。

尽管近几个季度重返职场的比率有所改善，但对许多人来说，更长的过渡期和潜在的退休金缺口仍然是现实问题。

这些数据不应被解读为算法年龄歧视的直接证据。然而，它确实凸显了结构性风险的集中所在，也解释了为何仅仅将其视为招聘过滤器问题是不足够的。

从过往转型中汲取教训

历史提供了一些有用的借鉴。在1950年代初期，英国煤矿引进了新的长壁式机械化技术。管理层期望产量能提高，结果却是生产力停滞不前，缺勤率上升，劳资关系恶化。

塔维斯托克研究所的研究人员发现了原因：这项技术是在隔离 (Isolation) 的状态下被优化的。而工作的社会系统——过去能够自行组织工作节奏和分工的、自主的多技能团队——却被瓦解了。

当这些团队被允许重新设计如何将新技术融入人类协作时，绩效才得以恢复。

这一洞见最终形成了社会技术系统思维：技术和工作组织必须协同优化，而不能作为独立问题来处理。

一个更近期的企业案例是IBM从2014年左右开始向技能型组织的转型。

面对云计算和早期人工智能的冲击，该公司认识到，传统的职位定义和线性的职业路径将使其大量员工陷入困境。

它围绕不断更新的技能，而非固定的职位头衔或资历指标，重建了内部流动、评估和薪酬体系。

人工智能本身也被用来绘制技能图谱，并将人才与机会进行匹配。其结果不仅是减少了偏见，更是对如何理解和发展人才进行了根本性的重新设计。

这两个案例都有一个共同模式。一个技术或人口压力最初表现为一个孤立的难题。那些仅仅将其视为一个待修补症状的组织表现不佳。

而那些利用这一时机修正工作基本原则——如何创造价值、如何评估员工以及如何持续学习——的组织，则获得了持久的优势。

新加坡为未来奠定基础的机遇

新加坡已经在构建许多正确的元素。全国人工智能影响力计划旨在培养10万名员工具备“人工智能双语能力”，既精通自身专业领域，又能熟练应用人工智能来重新设计工作流程。

技能创前程 (SkillsFuture) 以及新成立的技能与劳动力发展局，正在将全国性的对话从一次性培训转向持续的职业健康。

今年7月，退休和重新雇佣年龄分别提高到64岁和69岁，这表明更长的工作年限受到期待和重视。

将于2027年底生效的《职场公平法》将加强对包括年龄在内的歧视行为的防范。

资讯通信媒体发展局的示范人工智能治理框架已经为高影响力的人工智能应用案例提供了规范的方法。

余下的任务是，将这些线索明确地连接起来，为一个多代同堂、由人工智能增强的经济体，进行系统性的人才体系重新设计。这需要五大转变：

• 从严重依赖替代性指标的筛选（例如基于毕业年份、工作年限和“数字原生代”等语言信号）转向评估技能、潜力和经核实的能力。在人工智能能提高精确度的地方使用它，但要避免在它会加速历史偏见的地方使用。
• 将最终的全面 (Holistic) 判断留给人类。在确保评估过程不受年龄影响并消除替代性指标的偏见后，有限度地将人工智能用于可验证的匹配和流程安排。
• 定期审计招聘技术，并测试其是否存在差异化影响。将年龄视为一个核心测试维度，这与现有的人工智能治理实践相符。
• 扩展公平招聘机制，将年龄包容性设计融入其中。这扩展了已用于其他受保护特征的劳资政指导原则流程，并确保遵守《职场公平法》。
• 为多代团队设计职位和职业路径。有意识地将经验丰富员工的深厚知识和判断力，与人工智能工具和年轻同事的速度及模式识别能力相结合。这将使混合型团队成为生产力资产，而非摩擦点。

在一个面临快速技术变革的老龄化经济体中，对筛选速度的短期优化可能会损害长期的人才密度和机构知识。

更高生产力的路径，是那条将长寿本身视为一种经济优势的路径。

为未来世代而建设

因此，解决潜在的算法年龄歧视问题，不仅仅是为了公平对待当今的年长员工。

这是一个机会，让我们能够为未来几十年的工作组织、评估和奖励方式奠定持久的原则，这些原则不仅服务于当前处于职业中期或后期的员工，同样也服务于如今刚进入市场的年轻专业人士。

新加坡已一再证明，它能够在利用技术的同时维护社会凝聚力。

在我们大力推进劳动力技能重塑、驾驭人工智能带来的机遇与风险之际，重新设计人才和就业的基础应成为议程的核心。

做好这一点，将有助于确保我们的银发劳动力仍然是一项战略资产，确保多代协作成为竞争力的源泉，并确保长寿能转化为真正的经济优势。

我们今天设计的算法和组织系统，将塑造未来的劳动力市场。

让我们确保它们反映的是我们所向往的包容、高生产力、持续学习的社会，这不仅是为了这一代的年长员工，也是为了未来的每一代人。

本文作者是一位在数据科学和人工智能领域拥有二十多年经验的资深行业专家